প্রিন্সিপাল কম্পোনেন্ট এনালিসিস, যা সাধারণত PCA নামে সঌompক্ষিপ্ত, হলো প্রস্তাবিত গাণিতিক টুলগুলির মধ্যে একটি যা মাল্টিচ্যানেল EEG u09bরেকর্ডিংগুলিকে সরল করার, প্রক্রিয়াকরণের জন্য প্রয়়োজনীয় ডেটার পu09bরিমাণ হ্রাস করার এবং সবচেয়ে জোরালো, সবচেয়ে বিঘ্নকারী আর্টিফ্ঽefaultগুলিকে চিu09b চিহ্নিত করার একটি u098path তৈu09bরি করেন, যাতে অন্যান্য আর্টিফ্ঽefault অপসারণ পu09aদ্ধতির মতো কঠোর পu09bরিসংখ্যানগত অনুমান না করেই এটি করা যায়৫
এu098ই নিবন্ধটি ব্যাখ্যা করে যে PCA আসলে EEG ডেটার সাথে কী করে, গবেষকরা কিভাবে এটিকে বাস্তব প্রিপ্রu09bসেসিং পাu098ইপলাu098ইনে ব্যবহার করেছেন, এবং বর্তমান, এখনো-সীমিত প্রমাণগুলি এটি বিজ্পাপনিত কার্যকারিতার মতো কাজ করে কি না সে সম্পর্কে কী বলে৫
ইইজি-তে প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস কী?
পিসিএ (PCA) আরও ভালোভাবে বোঝার জন্য, যেকোনো সিগন্যাল প্রসেসিং হওয়ার আগে কাঁচা ইইজি ডেটা কেমন দেখায় তা কল্পনা করা সহায়ক।
একটি সাধারণ রেকর্ডিংয়ে অনেকগুলো ইলেকট্রোড জড়িত থাকে, যার প্রতিটি সময়ের সাথে সাথে ভোল্টেজ রিডিংয়ের নিজস্ব অবিরাম ধারা তৈরি করে। এই চ্যানেলগুলো একে অপরের থেকে স্বাধীন নয়। যেহেতু তারা সবাই একটি যৌথ, পরিবাহী মাধ্যম (মাথা) থেকে বৈদ্যুতিক কার্যকলাপ গ্রহণ করছে, তাই তাদের সিগন্যালগুলো জটিল উপায়ে একে অপরের সাথে মিশে যায় এবং পারস্পরিক সম্পর্কযুক্ত হয়।
পিসিএ এই সম্পর্কযুক্ত চ্যানেলগুলোর জটিল জটকে গ্রহণ করে এবং এটিকে কম্পোনেন্ট নামক সিগন্যালের একটি নতুন সেটে পুনর্গঠিত করে। প্রতিটি কম্পোনেন্ট হলো মূল চ্যানেলগুলোর একটি ওয়েটেড কম্বিনেশন, তবে একটি গুরুত্বপূর্ণ গাণিতিক বৈশিষ্ট্য সহ: কম্পোনেন্টগুলো অর্থোগোনাল, অর্থাৎ তারা একে অপরের সাথে সম্পর্কহীন।
পিসিএ প্রতিটি কম্পোনেন্ট কতটা ভ্যারিয়েন্স বা সামগ্রিক সিগন্যাল পরিবর্তনের জন্য দায়ী, সেই অনুযায়ী এদের র্যাংক বা ক্রম নির্ধারণ করে। প্রথম কম্পোনেন্টটি ডেটার ভ্যারিয়েন্সের সবচেয়ে বড় অংশটি ধারণ করে, দ্বিতীয় কম্পোনেন্টটি অবশিষ্ট অংশের মধ্যে দ্বিতীয় বৃহত্তম অংশ ধারণ করে এবং এভাবেই তালিকার নিচের দিকে চলতে থাকে।
আর্টিফ্যাক্টগুলো সাধারণত যেভাবে আচরণ করে তার কারণে এই র্যাংকিং অত্যন্ত গুরুত্বপূর্ণ। উদাহরণস্বরূপ, চোখের পলক ফেলার কারণে বড়, ধীরগতির ভোল্টিজের ওঠানামা তৈরি হয় যা একবারে অনেকগুলো ইলেকট্রোডে ব্যাপকভাবে ছড়িয়ে পড়ে। যেহেতু এটি পরিবর্তনের একটি বড়, যৌথ প্যাটার্ন তৈরি করে, তাই পলক ফেলার কার্যকলাপ সাধারণত সর্বোচ্চ-ভ্যারিয়েন্স কম্পোনেন্টগুলোতে ঘনীভূত হওয়ার প্রবণতা দেখায়। দুর্বল, আরও স্থানীয় মস্তিষ্কের সিগন্যালগুলো প্রায়শই তালিকার আরও নিচের দিকে, কম-ভ্যারিয়েন্স কম্পোনেন্টগুলোতে শেষ হয়।
পিসিএ-কে তার সুপরিচিত কিছু বিকল্প যেমন ইন্ডিপেন্ডেন্ট কম্পোনেন্ট অ্যানালাইসিস (ICA) থেকে আলাদা করার একটি বিবরণ হলো এটি ধরে নেয় না যে অন্তর্নিহিত উৎসগুলো পরিসংখ্যানগতভাবে স্বাধীন। এটির কেবল প্রয়োজন যে ফলস্বরূপ কম্পোনেন্টগুলো সম্পর্কহীন হবে, যা অনেক বেশি শিথিল একটি শর্ত।
প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস (PCA) কীভাবে কাজ করে? ধাপে ধাপে ব্যাখ্যা
ধাপ ১: ডেটা স্ট্যান্ডার্ডাইজ করা
একটি জটিল হিসাব শুরু করার আগে, ভ্যারিয়েবলগুলোর মধ্যে সমতা নিশ্চিত করতে ইনপুটকে অবশ্যই নরমালাইজ করতে হবে। যদি একটি ভ্যারিয়েবল মাইক্রোভোল্টে এবং অন্যটি মিলিসেকেন্ডে পরিমাপ করা হয়, তবে স্কেলের কাঁচা পার্থক্যগুলো ফলাফলে পক্ষপাত তৈরি করবে। প্রতিটি ভ্যারিয়েবলকে শূন্যের গড় এবং একের স্ট্যান্ডার্ড ডেভিয়েশনে স্কেল করলে গণিতটি সমস্ত ইনপুট ফিচারকে সমান গুরুত্ব দিয়ে বিবেচনা করতে পারে।
ধাপ ২: কোভ্যারিয়েন্স ম্যাট্রিক্স গণনা করা
ডেটা স্ট্যান্ডার্ডাইজড হয়ে গেলে, পরবর্তী কাজ হলো প্রতিটি ফিচারের জোড়ার মধ্যে সম্পর্কগুলো মানচিত্রভুক্ত করা। একটি কোভ্যারিয়েন্স ম্যাট্রিক্স এই মিথস্ক্রিয়াগুলোকে সংক্ষেপে প্রকাশ করে, যা দেখায় কোন ভ্যারিয়েবলগুলো একসাথে চলে এবং কোনগুলো স্বাধীন। এই গ্রিডটি এমন দিকগুলো চিহ্নিত করার ভিত্তি হিসেবে কাজ করে যেখানে ডেটাসেটটি সবচেয়ে উল্লেখযোগ্য বিস্তার প্রদর্শন করে।
ধাপ ৩: আইগেনভেক্টর এবং আইগেনভ্যালু হিসাব করা
এই ধাপে নির্দিষ্ট ভেক্টরগুলোর সমাধান জড়িত যা ডেটা ডিস্ট্রিবিউশনের আকারকে চিহ্নিত করে। আইগেনভেক্টরগুলো নতুন অক্ষের দিক নির্ধারণ করে, অন্যদিকে আইগেনভ্যালুগুলো সেই নির্দিষ্ট দিকগুলোতে ক্যাপচার করা ভ্যারিয়েন্সের পরিমাণকে প্রতিনিধিত্ব করে। এই গাণিতিক মার্কারগুলো আমাদের মূল ডেটা স্পেসটিকে প্রাথমিক মুভমেন্ট প্যাটার্ন দ্বারা সংজ্ঞায়িত একটি নতুন কোঅর্ডিনেট সিস্টেমে ঘোরাতে সাহায্য করে।
ধাপ ৪: প্রিন্সিপাল কম্পোনেন্ট নির্বাচন করা
কম্পোনেন্টগুলো চিহ্নিত করার পর, বিশ্লেষণটি মডেলটিকে কেবল সেই কম্পোনেন্টগুলোতে সীমাবদ্ধ করে যা মোট ভ্যারিয়েন্সের একটি উল্লেখযোগ্য অংশ ব্যাখ্যা করে। এই ফিল্টারিং প্রক্রিয়াটি নয়েজ-ভারী ভ্যারিয়েবলগুলোকে বাদ দেয় এবং নির্দিষ্ট পরিমাণগত থ্রেশহোল্ড অনুযায়ী কেবল সবচেয়ে তথ্যবহুল প্যাটার্নগুলো ধরে রাখে।
প্রধান কম্পোনেন্টগুলোর উপর কঠোরভাবে ফোকাস করে, গবেষকরা পরবর্তী প্রসেসিং কাজের কম্পিউটেশনাল বোঝা হ্রাস করেন। এটি নিশ্চিত করে যে চূড়ান্ত মডেলটি রিয়েল-টাইম বিশ্লেষণের জন্য রেসপন্সিভ এবং দক্ষ উভয়ই হয়।
ধাপ ৫: মূল ডেটা রূপান্তর করা
চূড়ান্ত নির্বাচন সম্পন্ন হওয়ার পর, শেষ ধাপটি হলো এই নতুন অক্ষগুলোতে মূল অবজারভেশন পয়েন্টগুলো প্রজেক্ট করা। এই রূপান্তরটি একটি নতুন, হ্রাসকৃত-মাত্রার ডেটাসেট তৈরি করে যা মূল পরিমাপের প্রয়োজনীয় টপোগ্রাফি সংরক্ষণ করে।
পেশাদাররা তখন ডাউনস্ট্রিম কাজ যেমন ক্লাসিফিকেশন বা সোর্স লোকালাইজেশনের জন্য এই রূপান্তরিত ভ্যারিয়েবলগুলো ব্যবহার করেন, যা একটি পরিষ্কার সিগন্যাল উপস্থাপনা থেকে সুবিধা লাভ করে।
কীভাবে পিসিএ ইইজি প্রিপ্রসেসিং পাইপলাইনে খাপ খায়
বাস্তবে পিসিএ কদাচিৎ একা কাজ করে। এটি সাধারণত একটি বড় ক্লিনিং পাইপলাইনের মধ্যে একটি ধাপ হিসেবে উপস্থিত হয়, যা দুটি কাজের একটি সম্পাদন করে:
ডেটার আকার সংকুচিত করা
আর্টিফ্যাক্টগুলো কোথায় লুকিয়ে আছে তা সনাক্ত করতে সহায়তা করা
প্রথম ভূমিকাটি হলো ডাইমেনশনালিটি রিডাকশন বা মাত্রা কমানো। পিসিএ-কে ডেনসিটি এস্টিমেশন ব্লাইন্ড সোর্স সেপারেশন বা ডিইবিএসএস (DEBSS) নামক একটি কৌশলের সাথে একত্রিত করার একটি স্টাডিতে বিশেষভাবে পিসিএ ব্যবহার করা হয়েছিল ইইজি ডেটাসেটের আকার হ্রাস করার জন্য, যাতে আরও সেপারেশন বা বিভাজন ঘটতে পারে।
এই পাইপলাইনে, প্রথমে ওয়েভলেট অ্যানালাইসিস ব্যবহার করে হাই-ফ্রিকোয়েন্সি নয়েজ ফিল্টার করা হয়েছিল এবং তারপরে “ইইজি সিগন্যাল প্রসেস করে ডেটার মাত্রা হ্রাস করতে পিসিএ অ্যালগরিদম ব্যবহার করা হয়েছিল”, যার পরে ডিইবিএসএস বাকি কম্পোনেন্টগুলোকে আলাদা করতে কাজ শুরু করে। ক্রস-কোরিলেশন কোঅফিসিয়েন্ট এবং সম্পর্কিত ননলিনিয়ার প্যারামিটারগুলো ব্যবহার করে যখন ইন্টারফারেন্স বা হস্তক্ষেপ-বহনকারী কম্পোনেন্টগুলো চিহ্নিত করা হয়েছিল, গবেষকরা অবশিষ্ট, পরিষ্কার কম্পোনেন্টগুলো থেকে সিগন্যালটি পুনর্গঠন করেছিলেন।
দ্বিতীয় ভূমিকাটি হলো আর্টিফ্যাক্ট সনাক্তকরণ নিজেই, এবং এটি আর্টিফ্যাক্ট সাবস্পেস রিকনস্ট্রাকশন বা এএসআর (ASR) নামক একটি ব্যাপকভাবে ব্যবহৃত পদ্ধতির ভিতরে উপস্থিত থাকে। এএসআর ইইজি ডেটার সংক্ষিপ্ত উইন্ডোগুলো অবিরাম বিশ্লেষণ করে এবং সেগুলোকে “পরিষ্কার” কার্যকলাপের একটি বেসলাইনের সাথে তুলনা করে কাজ করে।
এই পদ্ধতির একটি রাইম্যানিয়ান সংস্করণ প্রবর্তনকারী ২০১৯ সালের একটি গবেষণা অনুযায়ী, এএসআর “কম্পোনেন্ট সাবস্পেসে তাদের পরিসংখ্যানগত বৈশিষ্ট্যের উপর ভিত্তি করে আর্টিফ্যাক্ট সনাক্ত করতে কোভ্যারিয়েন্স ম্যাট্রিক্সের উপর বারবার পিসিএ গণনা করে”। এখানে, সুবিধার জন্য পিসিএ চ্যানেলের সংখ্যা হ্রাস করছে না। এটি এমন একটি ইঞ্জিন হিসেবে কাজ করছে যা মুহূর্তে মুহূর্তে সিদ্ধান্ত নেয় যে ডেটার কোনো অংশ পরিসংখ্যানগতভাবে স্বাভাবিক দেখায় নাকি কোনো আর্টিফ্যাক্টের মতো দেখায়।
একত্রে বিবেচনা করলে, এই দুটি উদাহরণ সিদ্ধান্ত দেয় যে পিসিএ হলো একটি ক্লিনিং স্ট্র্যাটেজির অংশ, এটি নিজেই একটি সম্পূর্ণ ক্লিনিং স্ট্র্যাটেজি নয়। এটি সাধারণত অন্য একটি অ্যালগরিদমের কাছে তার আউটপুট হস্তান্তর করে, তা ডিইবিএসএস হোক, একটি রাইম্যানিয়ান জিওমেট্রি অ্যাডাপ্টেশন হোক বা অন্য কোনো সিদ্ধান্ত নেওয়ার প্রক্রিয়া হোক যা নির্ধারণ করে কোন কম্পোনেন্টগুলো আসলে মুছে ফেলা হবে।
পিসিএ কি ইইজি আর্টিফ্যাক্টগুলোকে আলাদা করতে পারে? প্রমাণ যা দেখায়
আর্টিফ্যাক্ট আলাদা করার জন্য পিসিএ-র আকর্ষণের পেছনের যুক্তিটি সহজ। যেহেতু পিসিএ ভ্যারিয়েন্স অনুযায়ী কম্পোনেন্টগুলোকে সাজায় এবং যেহেতু চোখের পলক এবং পেশীর কার্যকলাপের কারণে অত্যধিক মাত্রায় ভোল্টেজের ওঠানামা তৈরি হয়, তাই নিউরোলজি তত্ত্ব অনুযায়ী এই আর্টিফ্যাক্টগুলো স্বাভাবিকভাবেই শীর্ষ কয়েকটি কম্পোনেন্টে নিজেদের সাজিয়ে নেওয়ার কথা। যদি এটি সত্য হয়, তবে একজন গবেষক প্রতিটি ব্রেন সোর্সের সুনির্দিষ্ট পরিসংখ্যানগত স্বাধীনতা মডেল করার প্রয়োজন ছাড়াই নীতিগতভাবে সবচেয়ে খারাপ ইন্টারফারেন্সটি দ্রুত আলাদা করতে এবং বাদ দিতে পারেন।
আগে বর্ণিত পিসিএ-প্লাস-ডিইবিএসএস পাইপলাইন পরীক্ষা করা গবেষণাটিতে জানানো হয়েছে যে সম্মিলিত পদ্ধতিটি “মাল্টি-চ্যানেল ইইজি সিগন্যালের প্রধান হস্তক্ষেপ দ্রুত এবং কার্যকরভাবে নির্মূল করতে পারে”, পাশাপাশি এটিও উল্লেখ করা হয়েছে যে এই পদ্ধতিটি “স্থিতিশীল এবং এর শক্তিশালী স্কেলাবিলিটি রয়েছে।” এটি একটি ইতিবাচক ফলাফল, তবে ঠিক কী পরীক্ষা করা হয়েছিল তা লক্ষ্য করা মূল্যবান: একটি নির্দিষ্ট দ্বি-ধাপের পাইপলাইন, পিসিএ একা কাজ করে এমনটা নয়।
পূর্বে উল্লেখিত ২০১৯ সালের গবেষণাটি আরও কাঠামোগত তুলনামূলক পদ্ধতি গ্রহণ করেছিল। গবেষকরা এএসআর-এর একটি রাইম্যানিয়ান-জিওমেট্রি-ভিত্তিক সংস্করণ তৈরি করেছিলেন, যার নাম আরএএসআর (rASR), এবং এটি ঘরের ভিতরে এবং বাইরে উভয় পরিস্থিতিতেই স্মার্টফোনে রেকর্ড করা ইইজি ব্যবহার করে ২৭ জন অংশগ্রহণকারীর সাথে স্ট্যান্ডার্ড পিসিএ-ভিত্তিক এএসআর পদ্ধতির বিরুদ্ধে পরীক্ষা করেছিলেন।
তারা তিনটি পৃথক পরিমাপ জুড়ে কর্মক্ষমতা মূল্যায়ন করেছেন:
প্রতিটি পদ্ধতি চোখের পলকের আর্টিফ্যাক্ট কতটা ভালো দূর করেছে (সংবেদনশীলতা)
প্রতিটি পদ্ধতি ভিজ্যুয়াল-ইভোকড পটেনশিয়ালগুলো কতটা ভালো সংরক্ষণ করেছে, যা ভিজ্যুয়াল উদ্দীপনার প্রতি মস্তিষ্কের প্রতিক্রিয়া (সুনির্দিষ্টতা)
প্রতিটি পদ্ধতি কত দ্রুত কাজ করেছে (দক্ষতা)
লেখকের সিদ্ধান্ত অনুযায়ী, স্ট্যান্ডার্ড এএসআর-এর তুলনায় আরএএসআর “তিনটি পরিমাপেই অনুকূলভাবে পারফর্ম করেছে”।
পিসিএ-ভিত্তিক আর্টিফ্যাক্ট হ্যান্ডলিংয়ের জন্য এই ফলাফলগুলো উৎসাহজনক, তবে তাদের পেছনের প্রমাণের ভিত্তি সংকীর্ণ। এগুলো অর্থপূর্ণ, দরকারী প্রাথমিক ফলাফল, তবে এগুলো এখনও এমন কোনো ব্যাপকভাবে যাচাইকৃত দাবি নয় যে পিসিএ সমস্ত ইইজি প্রেক্ষাপট জুড়ে বিশ্বস্তভাবে আর্টিফ্যাক্ট আলাদা করে।
পিসিএ বনাম আইসিএ বনাম ফিল্টারিং: সঠিক সরঞ্জাম নির্বাচন করা
ইইজি গবেষকদের ডেটা পরিষ্কার করার জন্য বেশ কয়েকটি সরঞ্জাম রয়েছে এবং পিসিএ তাদের মধ্যে একটি নির্দিষ্ট জায়গা দখল করে আছে।
ফিল্টারিং, যার মধ্যে হাই-পাস, লো-পাস এবং নচ ফিল্টার অন্তর্ভুক্ত রয়েছে, সম্পূর্ণ ফ্রিকোয়েন্সি ব্যান্ডগুলো অপসারণ বা হ্রাস করে কাজ করে। এটি বৈদ্যুতিক লাইনের নয়েজের মতো স্থিতিশীল ইন্টারফারেন্স অপসারণের জন্য দরকারী, তবে জটিলতা তৈরি হয় যখন একটি আর্টিফ্যাক্ট এবং একটি ব্রেন সিগন্যাল একই ফ্রিকোয়েন্সি রেঞ্জ শেয়ার করে।
উদাহরণস্বরূপ, চোখের পলক ফেলার ফ্রিকোয়েন্সি মস্তিষ্কের ধীরগতির তরঙ্গের সাথে মিশে যেতে পারে এবং একটি ফিল্টার সেগুলোকে আলাদা করতে পারে না কারণ এটি কেবল ফ্রিকোয়েন্সি দেখে, চ্যানেল জুড়ে ভ্যারিয়েন্সের প্যাটার্ন দেখে না। পিসিএ সম্পূর্ণ ভিন্ন অক্ষে কাজ করে কারণ এটি ফ্রিকোয়েন্সি কনটেন্টের দিকে না তাকিয়ে সিগন্যাল পরিবর্তন কীভাবে পুরো ইলেকট্রোড সেট জুড়ে ছড়িয়ে আছে তা দেখে। এটি ফিল্টারিংয়ের সরাসরি বিকল্পের পরিবর্তে একে একটি পরিপূরক পদ্ধতি করে তোলে।
অন্যদিকে, আইসিএ-র কথা প্রায়শই পিসিএ-র সাথেই উল্লেখ করা হয়, তবে পদ্ধতি দুটি ভিন্ন ধারণার উপর ভিত্তি করে কাজ করে। আইসিএ এমন কম্পোনেন্টগুলো সন্ধান করে যা একে অপরের থেকে পরিসংখ্যানগতভাবে স্বাধীন, পিসিএ-র সাধারণ ডেকোরিলেশনের ঢিলেঢালা শর্তের চেয়ে এটি অনেক বেশি কঠিন এবং কম্পিউটেশনালভাবে চাহিদাপূর্ণ প্রয়োজনীয়তা।
যেহেতু আইসিএ-কে এই কঠোর ধরণের পৃথকীকরণের জন্য আরও কঠোর অনুসন্ধান করতে হয়, তাই এটির বেশি কম্পিউটিং সময় এবং বেশি ডেটার প্রয়োজন হয়। পিসিএ গাণিতিকভাবে সরল হওয়ায় দ্রুত কাজ করে এবং এর স্বাধীনতার মোটেও প্রয়োজন হয় না, কেবল প্রয়োজন যে ফলস্বরূপ কম্পোনেন্টগুলো সম্পর্কহীন হবে।
কম্পিউটেশনাল খরচের এই পার্থক্যের কারণেই পিসিএ প্রায়শই আইসিএ-র বিকল্প হিসেবে না হয়ে এর প্রস্তুতিমূলক ধাপ হিসেবে উপস্থিত হয়। প্রথমে পিসিএ দিয়ে ডাইমেনশনের সংখ্যা হ্রাস করলে আইসিএ-র গতি বৃদ্ধি পেতে পারে এবং ডেটা সীমিত হলে ওভারফিটিংয়ের ঝুঁকি হ্রাস করতে পারে। বিকল্পভাবে, পিসিএ একটি প্রাথমিক প্রথম ধাপ হিসেবে কাজ করতে পারে, যা আরও সূক্ষ্ম পদ্ধতি বাকি অংশটি নিখুঁত করার আগে সবচেয়ে প্রভাবশালী, স্পষ্ট আর্টিফ্যাক্টগুলো অপসারণ করে।
পদ্ধতি | বিভাজনের ভিত্তি | গতি | মূল সীমাবদ্ধতা |
|---|---|---|---|
পিসিএ | ভ্যারিয়েন্স অনুযায়ী সাজায় | দ্রুত | ভ্যারিয়েন্স ≠ আর্টিফ্যাক্ট |
আইসিএ | স্বাধীন উৎসগুলো খুঁজে বের করে | ধীর | স্বাধীনতা ধরে নেয় |
ফিল্টারিং | ফ্রিকোয়েন্সি ব্যান্ডগুলো অপসারণ করে | অত্যন্ত দ্রুত | ওভারল্যাপ হওয়া ফ্রিকোয়েন্সিগুলো থেকে যায় |
পিসিএ-ভিত্তিক আর্টিফ্যাক্ট অপসারণের সীমাবদ্ধতা
পিসিএ-র সরলতা যেমন এর সুবিধা, তেমনি এটি তার দুর্বলতারও উৎস। এটি প্রায়শই নির্ধারিত আর্টিফ্যাক্ট-আইসোলেশনের কাজটি আসলে কতটা ভালো সম্পাদন করে তা নিয়ে বেশ কিছু অনুত্তরিত প্রশ্ন রয়ে গেছে।
ভ্যারিয়েন্স “আর্টিফ্যাক্ট”-এর জন্য একটি নিখুঁত বিকল্প নয়। মস্তিষ্কের নির্দিষ্ট ছন্দ, যেমন পোস্টেরিয়ার আলফা অ্যাক্টিভিটি (একটি সুপরিচিত ইইজি ছন্দ যা শিথিল, চোখ বন্ধ অবস্থার সাথে যুক্ত), নিজে থেকেই উচ্চ-অ্যাম্প্লিটিউড সিগন্যাল তৈরি করতে পারে। এমন একটি পদ্ধতি যা ধরে নেয় উচ্চ ভ্যারিয়েন্সের মানেই সবসময় আর্টিফ্যাক্ট, তা বাদ দেওয়ার নয়েজের সাথে আসল মস্তিষ্কের ক্রিয়াকলাপকেও ফেলে দেওয়ার ঝুঁকি তৈরি করে।
অন্যদিকে, চোখের পলকের আর্টিফ্যাক্টগুলো সবসময় একটি মাত্র কম্পোনেন্টের মধ্যে সুন্দরভাবে সীমাবদ্ধ থাকে না; তাদের প্রভাব একবারে কয়েকটি কম্পোনেন্টে ছড়িয়ে পড়তে পারে, যা যেকোনো সাধারণ “শীর্ষ কম্পোনেন্ট মুছে ফেলুন” কৌশলকে জটিল করে তোলে।
বিবেচনা করার জন্য একটি কাঠামোগত অমিলও রয়েছে। পিসিএ গাণিতিক সংজ্ঞা দ্বারা তার কম্পোনেন্টগুলোকে একে অপরের সাথে অর্থোগোনাল হতে বাধ্য করে। কিন্তু এর কোনো গ্যারান্টি নেই যে ইইজি সিগন্যাল তৈরি করা প্রকৃত শারীরিক উৎসগুলো, তা নিউরাল সার্কিট হোক বা মাথার ত্বকের কাছের পেশী গ্রুপ হোক, এমনভাবে সাজানো আছে যা এই অর্থোগোনাল জ্যামিতির সাথে মেলে।
যখন অনুমানটি অন্তর্নিহিত বাস্তবতার সাথে মেলে না, তখন পিসিএ যে বিভাজন তৈরি করে তা টিস্যুতে আসলে কী ঘটছে তার সঠিক প্রতিফলনের চেয়ে একটি গাণিতিক সুবিধা বেশি হতে পারে।
ইইজি বিশ্লেষণে পিসিএ ব্যবহারের ব্যবহারিক পরামর্শ
যারা প্রথমবারের জন্য একটি ইইজি ডেটাসেট অন্বেষণ করছেন, তাদের জন্য পিসিএ একটি যুক্তিসঙ্গত শুরুর বিন্দু হিসেবে রয়ে গেছে, বিশেষ করে একটি নির্দিষ্ট রেকর্ডিংয়ে পরিবর্তনের কোন প্যাটার্নগুলো প্রাধান্য পাচ্ছে তা দেখার উপায় হিসেবে। এখানে কিছু টিপস দেওয়া হলো যা প্রায়শই সুপারিশ করা হয়:
পিসিএ-কে ডাইমেনশনালিটি কমাতে বা প্রধান আর্টিফ্যাক্ট প্যাটার্নগুলো ফ্ল্যাগ করতে একটি প্রাথমিক ধাপ হিসেবে ব্যবহার করুন, চূড়ান্ত ক্লিনিং পাস হিসেবে নয়।
পিসিএ-কে পরবর্তী কোনো পদ্ধতির (যেমন, আইসিএ, ডিইবিএসএস, এএসআর) সাথে একত্রিত করুন যা কোন কম্পোনেন্টগুলো মুছে ফেলা হবে তা নির্ধারণ করতে পারে।
বাদ দেওয়া কম্পোনেন্টগুলো সত্যিই আর্টিফ্যাক্ট উপস্থাপন করে তা যাচাই করতে সবসময় তাদের স্ক্যাল্প টপোগ্রাফি এবং টাইম কোর্স চাক্ষুষভাবে পরীক্ষা করুন।
রেকর্ডিং এনভায়রনমেন্টের (ল্যাব বনাম মোবাইল) ফলাফলগুলোর ভিন্নতাকে সতর্কতার সাথে বিবেচনা করুন এবং আপনার নিজস্ব ডেটাতে যাচাই করুন।
উপসংহার: পিসিএ কি একটি নির্ভরযোগ্য ইইজি ক্লিনিং পদ্ধতি?
পিসিএ অগোছালো ব্রেনওয়েভ ডেটাকে সাজানো কম্পোনেন্টে রূপান্তরিত করে, যা গবেষকদের একটি রেকর্ডিংয়ের সবচেয়ে গোলমেলে অংশগুলোতে দ্রুত নজর দেওয়ার উপায় দেয়। এই পদ্ধতিটি বিশেষভাবে দরকারী যখন চোখের পলক বা পেশীর নড়াচড়া সিগন্যালে প্রাধান্য পায়, কারণ এগুলো প্রায়শই সর্বোচ্চ-ভ্যারিয়েন্স স্লটগুলোতে উঠে আসে।
কিন্তু যেহেতু বাস্তব মস্তিষ্কের ছন্দগুলোও শক্তিশালী সিগন্যাল তৈরি করতে পারে, তাই কোনটি আর্টিফ্যাক্ট এবং কোনটি মূল্যবান নিউরাল ডেটা তা নির্ধারণ করার জন্য এই পদ্ধতির ওপর একা ভরসা করা যায় না।
তথ্যসূত্র
ক্যাং, ডি., এবং ঝিজেনগ, এল. (২০১২, মার্চ)। পিসিএ এবং ডিইবিএসএস অ্যালগরিদমের উপর ভিত্তি করে দ্রুত মাল্টি-চ্যানেল ইইজি সিগন্যাল ডিনয়েজ করার একটি পদ্ধতি। ২০১২ ইন্টারন্যাশনাল কনফারেন্স অন কম্পিউটার সায়েন্স অ্যান্ড ইলেকট্রনিক্স ইঞ্জিনিয়ারিং (ভলিউম ৩, পৃষ্ঠা ৩২২-৩২৬)। আইইইই। https://doi.org/10.1109/ICCSEE.2012.105
ব্লুম, এস., জ্যাকবসেন, এন. এস. জে., ব্লেইচনার, এম. জি., এবং দেবেনার, এস. (২০১৯)। ইইজি আর্টিফ্যাক্ট হ্যান্ডলিংয়ের জন্য আর্টিফ্যাক্ট সাবস্পেস রিকনস্ট্রাকশনের একটি রাইম্যানিয়ান মডিফিকেশন। ফ্রন্টিয়ার্স ইন হিউম্যান নিউরোসায়েন্স, ১৩, ১৪১। https://doi.org/10.3389/fnhum.2019.00141
সচরাচর জিজ্ঞাসিত প্রশ্নাবলী
ইইজির প্রেক্ষাপটে প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস (PCA) কী?
পিসিএ হলো একটি গাণিতিক পদ্ধতি যা মাল্টিচ্যানেল ইইজি ডেটাকে সিগন্যালের একটি নতুন সেটে পুনর্গঠিত করে যাকে কম্পোনেন্ট বলা হয়, যা একে অপরের সাথে সম্পর্কহীন। এটি এই কম্পোনেন্টগুলোকে তারা কতটা ভ্যারিয়েন্স ক্যাপচার করে সে অনুযায়ী সাজায়, যেখানে প্রথম কম্পোনেন্টটি সামগ্রিক সিগন্যাল পরিবর্তনের বেশিরভাগ অংশ ব্যাখ্যা করে।
পিসিএ কীভাবে ইইজি ডেটা থেকে আর্টিফ্যাক্ট দূর করতে সাহায্য করে?
যেহেতু চোখের পলকের মতো আর্টিফ্যাক্টগুলো বড়, বিস্তৃত ভোল্টেজ পরিবর্তন তৈরি করে, তাই সেগুলো সর্বোচ্চ-ভ্যারিয়েন্স কম্পোনেন্টগুলোতে ঘনীভূত হওয়ার প্রবণতা দেখায়। ভ্যারিয়েন্স অনুযায়ী পিসিএ-র এই সাজানোর পদ্ধতি গবেষকদের সেই শীর্ষ কম্পোনেন্টগুলো সনাক্ত করতে এবং সম্ভাব্যভাবে বাদ দিতে সাহায্য করে, যেগুলোতে প্রায়শই সবচেয়ে বিঘ্নকারী নয়েজ থাকে।
ইইজি সিগন্যাল পরিষ্কার করতে পিসিএ কি একা কাজ করে?
না, পিসিএ কদাচিৎ এককভাবে পরিষ্কার করার সমাধান হিসেবে ব্যবহৃত হয়। এটি সাধারণত একটি বড় পাইপলাইনের মধ্যে একটি ধাপ হিসেবে কাজ করে, হয়তো ডিইবিএসএস-এর মতো অন্য পদ্ধতি প্রয়োগ করার আগে ডেটার মাত্রা হ্রাস করে অথবা আর্টিফ্যাক্ট সাবস্পেস রিকনস্ট্রাকশন (ASR)-এর মতো একটি কাঠামোর ভেতরে ডিটেকশন ইঞ্জিন হিসেবে কাজ করে।
আর্টিফ্যাক্ট অপসারণের জন্য পিসিএ এবং আইসিএ-র মধ্যে পার্থক্য কী?
পিসিএ-র জন্য কেবল ফলস্বরূপ কম্পোনেন্টগুলোর সম্পর্কহীন হওয়া প্রয়োজন, যা একটি সহজ গাণিতিক শর্ত, যখন আইসিএ এমন কম্পোনেন্টগুলো সন্ধান করে যা পরিসংখ্যানগতভাবে স্বাধীন, যা একটি কঠোর এবং বেশি কম্পিউটেশনাল চাহিদাসম্পন্ন শর্ত। পিসিএ দ্রুত কাজ করে এবং প্রায়শই আইসিএ-র বিকল্প হিসেবে না হয়ে এর প্রস্তুতিমূলক ধাপ হিসেবে ব্যবহৃত হয়।
পিসিএ কি দুর্ঘটনাবশত আর্টিফ্যাক্টের সাথে সাথে আসল মস্তিষ্কের কার্যকলাপও মুছে ফেলতে পারে?
হ্যাঁ, যেহেতু পিসিএ আর্টিফ্যাক্ট সনাক্ত করতে ভ্যারিয়েন্সের উপর নির্ভর করে, তাই পোস্টেরিয়ার আলফা অ্যাক্টিভিটির মতো উচ্চ-অ্যাম্প্লিটিউডের ব্রেন রিদমগুলোকে ভুলবশত নয়েজ মনে করা হতে পারে। অতিরিক্তভাবে, আর্টিফ্যাক্টগুলো একাধিক কম্পোনেন্ট জুড়ে ছড়িয়ে পড়তে পারে, তাই কেবল শীর্ষ কম্পোনেন্টটি মুছে ফেললে আসল নিউরাল সিগন্যালও বাদ পড়ে যেতে পারে।
ইইজি ক্লিনিংয়ের জন্য ফ্রিকোয়েন্সি ফিল্টারিংয়ের তুলনায় পিসিএ কেমন?
ফ্রিকোয়েন্সি ফিল্টারিং নির্দিষ্ট ফ্রিকোয়েন্সি ব্যান্ডগুলোতে সিগন্যাল এনার্জি অপসারণ বা হ্রাস করে, তবে এটি একই ফ্রিকোয়েন্সি শেয়ার করা কোনো আর্টিফ্যাক্ট এবং ব্রেন সিগন্যালকে আলাদা করতে পারে না। পিসিএ এর পরিবর্তে সমস্ত ইলেকট্রোড জুড়ে ভ্যারিয়েন্সের প্যাটার্নগুলো দেখে, যা এটিকে একটি পরিপূরক পদ্ধতি করে তোলে যা ডেটার ভিন্ন একটি দিক নিয়ে কাজ করে।
একজন গবেষকের কীভাবে ইইজি প্রিপ্রসেসিং ওয়ার্কফ্লোতে নিরাপদে পিসিএ ব্যবহার করা উচিত?
অন্যান্য পদ্ধতি প্রয়োগ করার আগে পিসিএ-কে একটি ডাইমেনশনালিটি রিডাকশন ধাপ হিসেবে ব্যবহার করা যেতে পারে, অথবা একটি রেকর্ডিংয়ে কোন প্যাটার্নগুলো প্রাধান্য পাচ্ছে তা যাচাই করার জন্য একটি সাহায্যকারী হিসেবে ব্যবহার করা যেতে পারে। গবেষকদের কেবল ভ্যারিয়েন্স র্যাংকিংয়ের ওপর অন্ধভাবে বিশ্বাস না করে, তারা যে কম্পোনেন্টগুলো বাদ দেওয়ার পরিকল্পনা করছেন সেগুলোর স্ক্যাল্প টপোগ্রাফি এবং টাইম কোর্স চাক্ষুষভাবে পরীক্ষা করা উচিত।
Emotiv একটি নিউরোটেকনোলজি শীর্ষস্থানীয় প্রতিষ্ঠান, যা সহজলভ্য EEG এবং ব্রেন ডেটা টুলের মাধ্যমে স্নায়ুবিজ্ঞান গবেষণার অগ্রগতিতে সহায়তা করে।
ক্রিশ্চিয়ান বার্গোস
